4

我正在尝试构建一个 seq2seq 模型，我尝试遵循 Tensorflow 官方教程，但没有提到预处理步骤。我尝试在网上搜索，每个教程都从模型开始，没有预处理步骤信息。

我需要一些有关 seq2seq 中涉及的预处理步骤的信息：

如果我有这样的数据集：（用 index2word 词汇编码后）

encoder [1, 2, 1, 3, 4] decoder [2, 3, 4]
encoder [2, 3, 4, 1] decoder [11, 3, 4, 5, 1, 22, 45, 1, 3, 42, 32, 65]
encoder [4, 5, 3, 11, 23, 1, 33, 44, 1, 3] decoder [4, 2, 3, 5]
encoder [44, 55] decoder [5, 6, 3, 2, 4, 22, 42, 11, 34]
encoder [1] decoder [55, 6, 3, 2, 4, 5, 6, 7, 7]
encoder [4, 2, 3, 4, 5] decoder [6, 5, 3, 5, 6, 7, 8, 2, 4, 5]
encoder [44, 2, 1, 22, 5, 3, 2] decoder [6, 5, 3, 4, 5, 6, 7]
encoder [55, 3, 1, 5, 1] decoder [5, 3, 2, 3, 4, 5]
encoder [14] decoder [5, 6, 7]

如果我将 5 作为批量大小，那么第一批：

encoder [1, 2, 1, 3, 4] decoder [2, 3, 4]
encoder [2, 3, 4, 1] decoder [11, 3, 4, 5, 1, 22, 45, 1, 3, 42, 32, 65]
encoder [4, 5, 3, 11, 23, 1, 33, 44, 1, 3] decoder [4, 2, 3, 5]
encoder [44, 55] decoder [5, 6, 3, 2, 4, 22, 42, 11, 34]
encoder [1] decoder [55, 6, 3, 2, 4, 5, 6, 7, 7]

现在，在阅读了许多文章后，我发现有四个特殊的令牌必须用于编码数据：

<PAD>：在训练期间，我们需要将我们的示例分批输入网络。

<EOS>：这也是批处理的另一个必要性，但更多的是在解码器方面。它允许我们告诉解码器句子在哪里结束，它也允许解码器在其输出中指示相同的内容。

<UNK>: 将未知替换为 .

<GO>：这是解码器第一个时间步的输入，让解码器知道何时开始生成输出。

现在，如果我以我的批处理示例为例，那么我在填充后有问题：

编码器批次应该与解码器批次的大小相同吗？

如果我的填充编码器数据批次看起来像：

encoder_input=[[1, 2, 1, 3, 4],
[2, 3, 4, 1],
[4, 5, 3, 11, 23, 1, 33, 44, 1, 3],
[44, 55],
[1]]

#after padding ( max time stamp is 10 )

encoder_padded=[[1, 2, 1, 3, 4, 0, 0, 0, 0, 0],
                [2, 3, 4, 1, 0, 0, 0, 0, 0, 0],
                [4, 5, 3, 11, 23, 1, 33, 44, 1, 3],
                [44, 55, 0, 0, 0, 0, 0, 0, 0, 0],
                [1, 0, 0, 0, 0, 0, 0, 0, 0, 0]]

现在我应该将我的解码器序列长度填充到相同的大小吗？（最大 10 ？）或者我应该像这样使用解码器最大序列（最大 12）填充：

decoder_input=[[2, 3, 4],
               [11, 3, 4, 5, 1, 22, 45, 1, 3, 42, 32, 65],
               [4, 2, 3, 5],
               [5, 6, 3, 2, 4, 22, 42, 11, 34],
               [55, 6, 3, 2, 4, 5, 6, 7, 7]]

#after padding ( decoder batch max length is 12)

decoder_padded=[[2, 3, 4, 0, 0, 0, 0, 0, 0, 0, 0, 0],
               [11, 3, 4, 5, 1, 22, 45, 1, 3, 42, 32, 65],
               [4, 2, 3, 5, 0, 0, 0, 0, 0, 0, 0, 0],
               [5, 6, 3, 2, 4, 22, 42, 11, 0, 0, 0, 0],
               [55, 6, 3, 2, 4, 5, 6, 7, 7, 0, 0, 0]]

以及我最后一个预处理数据的样子：

encoder_input  = ['hello','how','are','you','<PAD>','<PAD>','<PAD'>]

decoder_output = ['<GO>','i','am','fine','<EOS>','<PAD>','<PAD>']

这是正确的格式吗？

4

1 回答 1

1

我希望这很有用。

编码器批次应该与解码器批次的大小相同吗？

不，解码器计算遵循编码器，因此相应的数据将在不同的时间馈送到网络。您展示的示例是正确的。

在最后一个示例中，您提到的decoder_output 应该是decoder_input。对于那对输入，您应该具有的目标标签：

encoder_input  = ['hello','how','are','you','<PAD>','<PAD>','<PAD'>]
decoder_input  = ['<GO>','i','am','fine','<EOS>','<PAD>','<PAD>'] 
target_label   = ['i','am','fine','<EOS>','<PAD>','<PAD>']
于 2018-06-29T12:35:44.043 回答